9.3.?XML 解析 · Dive Into Python

# 9.3.?XML 解析正如我說的，實際解析一個 XML 文檔是非常簡單的：只要一行代碼。從這里出發到哪兒去就是你自己的事了。 ## 例?9.8.?載入一個 XML 文檔 (這次是真的) ``` >>> from xml.dom import minidom >>> xmldoc = minidom.parse('~/diveintopython/common/py/kgp/binary.xml') >>> xmldoc <xml.dom.minidom.Document instance at 010BE87C> >>> print xmldoc.toxml() <?xml version="1.0" ?> <grammar> <ref id="bit"> 0 1 </ref> <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> </grammar> ``` | | | | --- | --- | | \[1\] | 正如在[上一節](packages.html "9.2.?包")看到的，該語句從 `xml.dom` 包中導入 `minidom` 模塊。 | | \[2\] | 這就是進行所有工作的一行代碼：`minidom.parse` 接收一個參數并返回 XML 文檔解析后的表示形式。這個參數可以是很多東西；在本例中，它只是我本地磁盤上一個 XML 文檔的文件名。(你需要將路徑改為指向下載的例子所在的目錄。) 但是你也可以傳入一個[文件對象](../file_handling/file_objects.html "6.2.?與文件對象共事")，或甚至是一個[類文件對象](../html_processing/extracting_data.html#dialect.extract.urllib "例?8.5.?urllib 介紹")。這樣你就可以在本章后面好好利用這一靈活性了。 | | \[3\] | 從 `minidom.parse` 返回的對象是一個 `Document` 對象，它是 `Node` 類的一個子對象。這個 `Document` 對象是聯鎖的 Python 對象的一個復雜樹狀結構的根層次，這些 Python 對象完整表示了傳給 `minidom.parse` 的 XML 文檔。 | | \[4\] | `toxml` 是 `Node` 類的一個方法 (因此可以在從 `minidom.parse` 中得到的 `Document` 對象上使用)。`toxml` 打印出了 `Node` 表示的 XML。對于 `Document` 節點，這樣就會打印出整個 XML 文檔。 | 現在內存中已經有了一個 XML 文檔了，你可以開始遍歷它了。 ## 例?9.9.?獲取子節點 ``` >>> xmldoc.childNodes [<DOM Element: grammar at 17538908>] >>> xmldoc.childNodes[0] <DOM Element: grammar at 17538908> >>> xmldoc.firstChild <DOM Element: grammar at 17538908> ``` | | | | --- | --- | | \[1\] | 每個 `Node` 都有一個 `childNodes` 屬性，它是一個 `Node` 對象的列表。一個 `Document` 只有一個子節點，即 XML 文檔的根元素 (在本例中，是 `grammar` 元素)。 | | \[2\] | 為了得到第一個 (在本例中，只有一個) 子節點，只要使用正規的列表語法。回想一下，其實這里沒有發生什么特別的；這只是一個由正規 Python 對象構成的正規 Python 列表。 | | \[3\] | 鑒于獲取某個節點的第一個子節點是有用而且常見的行為，所以 `Node` 類有一個 `firstChild` 屬性，它和`childNodes[0]`具有相同的語義。(還有一個 `lastChild` 屬性，它和`childNodes[-1]`具有相同的語義。) | ## 例?9.10.?`toxml` 用于任何節點 ``` >>> grammarNode = xmldoc.firstChild >>> print grammarNode.toxml() <grammar> <ref id="bit"> 0 1 </ref> <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> </grammar> ``` | | | | --- | --- | | \[1\] | 由于 `toxml` 方法是定義在 `Node` 類中的，所以對任何 XML 節點都是可用的，不僅僅是 `Document` 元素。 | ## 例?9.11.?子節點可以是文本 ``` >>> grammarNode.childNodes [<DOM Text node "\n">, <DOM Element: ref at 17533332>, \ <DOM Text node "\n">, <DOM Element: ref at 17549660>, <DOM Text node "\n">] >>> print grammarNode.firstChild.toxml() >>> print grammarNode.childNodes[1].toxml() <ref id="bit"> 0 1 </ref> >>> print grammarNode.childNodes[3].toxml() <ref id="byte"> <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/>\ <xref id="bit"/><xref id="bit"/><xref id="bit"/><xref id="bit"/> </ref> >>> print grammarNode.lastChild.toxml() ``` | | | | --- | --- | | \[1\] | 查看 `binary.xml` 中的 XML ，你可能會認為 `grammar` 只有兩個子節點，即兩個 `ref` 元素。但是你忘記了一些東西：硬回車！在`'<grammar>'`之后，第一個`'<ref>'`之前是一個硬回車，并且這個文本算作 `grammar` 元素的一個子節點。類似地，在每個`'</ref>'`之后都有一個硬回車；它們都被當作子節點。所以`grammar.childNodes`實際上是一個有5個對象的列表：3個 `Text` 對象和兩個 `Element` 對象。 | | \[2\] | 第一個子節點是一個 `Text` 對象，它表示在`'<grammar>'`標記之后、第一個`'<ref>'`標記之后的硬回車。 | | \[3\] | 第二個子節點是一個 `Element` 對象，表示了第一個 `ref` 元素。 | | \[4\] | 第四個子節點是一個 `Element` 對象，表示了第二個 `ref` 元素。 | | \[5\] | 最后一個子節點是一個 `Text` 對象，表示了在`'</ref>'`結束標記之后、`'</grammar>'` 結束標記之前的硬回車。 | ## 例?9.12.?把文本挖出來 ``` >>> grammarNode <DOM Element: grammar at 19167148> >>> refNode = grammarNode.childNodes[1] >>> refNode <DOM Element: ref at 17987740> >>> refNode.childNodes [<DOM Text node "\n">, <DOM Text node " ">, <DOM Element: p at 19315844>, \ <DOM Text node "\n">, <DOM Text node " ">, \ <DOM Element: p at 19462036>, <DOM Text node "\n">] >>> pNode = refNode.childNodes[2] >>> pNode <DOM Element: p at 19315844> >>> print pNode.toxml() 0 >>> pNode.firstChild <DOM Text node "0"> >>> pNode.firstChild.data u'0' ``` | | | | --- | --- | | \[1\] | 正如你在前面的例子中看到的，第一個 `ref` 元素是 `grammarNode.childNodes[1]`，因為 childNodes[0] 是一個代表硬回車的 `Text` 節點。 | | \[2\] | `ref` 元素有它自己的子節點集合，一個表示硬回車，另一個表示空格，一個表示 `p` 元素，諸如此類。 | | \[3\] | 你甚至可以在這里使用 `toxml` 方法，盡管它深深嵌套在文檔中。 | | \[4\] | `p` 元素只有一個子節點 (在這個例子中無法看出，但是如果你不信，可以看看`pNode.childNodes`)，而且它是表示單字符`'0'`的一個 `Text` 節點。 | | \[5\] | `Text` 節點的 `.data` 屬性可以向你提供文本節點真正代表的字符串。但是字符串前面的`'u'`是什么意思呢？答案將自己專門有一部分來論述。 |